جلوگیری از حملات شبکه های اجتماعی با استفاده از تکنیکهای هوشمندانه

امروزه رایانش ابری مکانیزم در حال ظهور برای محاسبات سطح بالاست. ابرها برحسب میزان هزینه و تقاضای کاربران اطلاعات را دریافت و ارسال میکنند. در این پژوهش برای برقراری امنیت در شبکههای ابری و جلوگیری از حملهی انکار از سرویس( DOS (روشی را به کار میبریم که با استفاده از الگوریتم یادگیری ماشین و با استفاده از تکنیک عامل متحرک تشخیص نفوذ را بسیار سریعتر انجام خواهد داد. در این رویکرد به کمک عاملهای متحرک، اطلاعات مربوط به تشخیص نفوذ در کل شبکه پخش نشده بلکه در همسایگی عاملها منتشر خواهد شد. در این روش، توپولوژی شبکه را بهصورت خوشهبندی و با انتخاب سر خوشه ایجاد میکنیم که درواقع هدف ما از این کار بهینه کردن پارامترهای زیر میباشند و کاهش فاصله و کمتر ین بار پردازشی در شبکهی ابری و بیشترین تشخیص و بیشترین حمله و انرژی مصرفی است. از بین همهی پارامترها انرژی مصرفی بیشتر در نظر گرفته شده است. روش پیشنهادی پس از شبیهسازی با الگوریتم EVDF مقایسه شده است در این شبیهسازی پس از 2000 بار اجرا، تمام گرههای روش پیشنهادی هنوز هم انرژی دارند در صورت ی که در روش EVDF انرژی هر گره به زیر 1/0 رسیده است. در بخشهای دیگر ارزیابی و مقایسه مشاهده شد که روش EVDF در 5000 بستهی ردوبدل شده میتواند تنها30 درصد از حمله را تشخیص دهد. در حالیکه در روش پیشنهادی 35 درصد از حملات تشخیص داده می شود. به همین دلیل است که روش پیشنهادی باعث بهبود پارامترهای فاصله و انرژی و نیز باعث افزایش طول عمر شبکه میشوند.

کلیدواژه ها:

یادگیری ماشین ، امنیت ، حملات سایبری ، عامل متحرک ، بستههای دریافتی ، تشخیص نفوذ ، خوشهبندی